Всеволод Чабанець
Технологічний ринок входить у період глибокої перебудови, яку визначають одразу два напрями розвитку штучного інтелекту — Agentic AI та Physical AI. Перший перетворює програмні системи на автономних виконавців, здатних самостійно планувати дії, працювати з інструментами й доводити завдання до результату. Другий виводить інтелект за межі екрана: у роботів, автомобілі, промислове обладнання, медичні пристрої та критичну інфраструктуру.
Про те, як змінюється економіка IT-послуг, які компетенції стають найціннішими та чому бізнес поступово відмовляється від оплати людино-годин, говоримо в матеріалі «Agentic і Physical AI: як змінюється техноринок» із віцепрезидентом зі стратегії та технологій GlobalLogic Андрієм Яворським. У центрі розмови — майбутнє інженерної професії, нові ринки на сотні мільярдів доларів і перехід компаній до моделі, у якій головним продуктом є не обсяг виконаної роботи, а вимірюваний результат.
Agentic AI змінює модель IT-послуг
Традиційна модель технологічного сервісного бізнесу багато років будувалася навколо кількості спеціалістів і відпрацьованих годин. Чим масштабнішим був проєкт, тим більше інженерів залучала компанія. Клієнт фактично купував доступ до команди, а вартість робіт розраховувалася за моделлю Time & Materials — оплатою за час і використані ресурси.
Поширення Agentic AI поступово руйнує цю логіку. ШІ-агенти можуть аналізувати вимоги, створювати частини програмного коду, тестувати рішення, готувати документацію та координувати окремі етапи розробки. У результаті команда з меншою кількістю людей здатна виконувати значно більший обсяг завдань. За словами Андрія Яворського, очікування бізнесу щодо продуктивності зміщуються від традиційних 20–25% приросту до 50% і більше.
Для сервісної IT-компанії це створює своєрідний парадокс. Якщо вона продає інженерні години, автоматизація скорочує кількість годин, необхідних для реалізації проєкту, а отже, може зменшувати виручку за старою схемою. Проте якщо оплата прив’язана до конкретного бізнес-результату, висока продуктивність стає перевагою. Команда швидше запускає продукт, витрачає менше ресурсів і водночас підвищує маржинальність.
Саме тому ринок поступово рухається до Outcomes-Based моделі, де клієнт платить за досягнутий результат: запуск цифрового сервісу, скорочення операційних витрат, підвищення точності прогнозування або модернізацію певної системи. Вартість визначається не кількістю рядків коду й не числом залучених фахівців, а впливом рішення на бізнес.
У GlobalLogic цей перехід уже відображається у структурі контрактів. Компанія розвиває власну екосистему інструментів на основі штучного інтелекту, навчає команди та переводить розробку на підходи Specification-Driven Development і AI-native Development Lifecycle. Інженер у такій моделі не витрачає основний час на написання повторюваного коду, а формулює вимоги, задає правила для агентів, перевіряє результат і відповідає за архітектурну цілісність системи.
За оцінкою компанії, значна частина проєктів уже використовує ШІ на різних етапах життєвого циклу розробки. Найкращі результати демонструють команди, які впроваджують AI-інструменти комплексно — від аналізу бізнес-вимог і проєктування до тестування, супроводу та оновлення програмного забезпечення. У таких випадках оптимізація може сягати 20–40%.
Окремо змінюється підхід до підготовки спеціалістів. Компаніям потрібні не лише розробники, а й фахівці, які розуміють бізнес-контекст і можуть безпосередньо працювати з клієнтом. Концепція Forward Deployed Engineer передбачає, що інженер занурюється у внутрішні процеси замовника, визначає справжню проблему, формує архітектуру рішення та допомагає впровадити його в робоче середовище.
Нові сегменти ринку та мільярдні можливості
Поширення штучного інтелекту часто описують через ризик скорочення робочих місць і зменшення попиту на традиційні IT-послуги. Такий сценарій справді можливий для рутинних напрямів — стандартної розробки, базової підтримки програмного забезпечення, типового адміністрування інфраструктури та повторюваного тестування. Проте скорочення одних сегментів супроводжується появою інших.
До 2030 року автоматизація може суттєво зменшити обсяг традиційного IT-ринку, який оцінюється приблизно у 400 мільярдів доларів. Водночас стрімко зростатиме попит на підготовку даних для моделей, управління ШІ-агентами, інжиніринг автономних систем, модернізацію застарілого програмного забезпечення, кібербезпеку та інтеграцію цифрових рішень із фізичними пристроями.
Йдеться не про зникнення IT, а про перерозподіл вартості всередині галузі. Рутинні операції дешевшають, тоді як експертиза, відповідальність і здатність створювати складні рішення стають дорожчими. Фахівці, які можуть навчати, контролювати й захищати ШІ-системи, будуть потрібні у фінансах, медицині, телекомунікаціях, транспорті, промисловості, енергетиці та державному секторі.
Сукупний потенціал нових сегментів може становити близько 450 мільярдів доларів до кінця десятиліття. Це означає, що технологічний ринок не обов’язково скорочуватиметься через автоматизацію. Навпаки, він може зрости приблизно з 1,5 трильйона доларів у 2025 році до майже 2 трильйонів у 2030-му. Просто джерела цього зростання будуть іншими.
Серед перспективних вертикалей — мобільність, охорона здоров’я, телекомунікації, енергетика, авіація, дата-центри та критична інфраструктура. У цих сферах поєднуються великі обсяги даних, складні фізичні процеси та високі вимоги до безпеки. Саме тому вони стають природним середовищем для Agentic AI і нових інженерних послуг.
Для компаній це означає необхідність інвестувати не лише в окремі інструменти, а в повну AI-екосистему. Вона має охоплювати якість даних, корпоративні правила використання моделей, захист інформації, моніторинг роботи агентів, навчання персоналу та оцінювання бізнес-ефекту. Без такої системності штучний інтелект залишатиметься набором розрізнених експериментів, а не основою операційної моделі.
Physical AI та нова роль інженера
Наступний великий етап розвитку штучного інтелекту пов’язаний із його виходом у фізичний світ. Physical AI — це системи, які здатні сприймати навколишнє середовище, аналізувати його та виконувати фізичні дії. Такий цикл часто описують формулою Sense, Think, Act: сприйняття, ухвалення рішення та дія.
У безпілотному автомобілі камери, лідари та інші сенсори збирають інформацію про дорогу й перешкоди. Алгоритми обробляють ці дані, оцінюють ризики, прогнозують поведінку інших учасників руху, після чого система повертає керування автомобілю. Подібний принцип використовується у складських роботах, промислових маніпуляторах, автономних лабораторіях, дронах і медичному обладнанні.
Ключова особливість Physical AI полягає у швидкості реакції. Не всі рішення можна передавати до хмарної інфраструктури й чекати на відповідь від віддаленого сервера. Якщо автомобіль помічає перешкоду, якщо робот працює поруч із людиною або якщо промислове обладнання виходить за межі безпечних параметрів, команда має бути виконана майже миттєво. Тому частина обчислень переноситься безпосередньо на пристрій — у локальні контролери, бортові комп’ютери та вбудовані системи.
Ринок Physical AI поки значно менший за традиційний сектор IT, однак його потенціал швидко зростає. До 2030 року обсяг послуг у цій сфері може збільшитися з кількох мільярдів до 60–70 мільярдів доларів. Найбільші можливості очікуються в автомобільній галузі, виробництві, медичних технологіях, енергетиці та логістиці.
Серед практичних сценаріїв — автономне керування транспортом, оптимізація роботи автопарків, роботизоване виробництво, контроль якості за допомогою комп’ютерного зору, прогнозне обслуговування обладнання та автоматизований моніторинг інфраструктури. Цифрові двійники дають змогу моделювати роботу складних об’єктів, швидше знаходити несправності й зменшувати кількість фізичних виїздів інженерів.
Водночас автономність підвищує ціну помилки. Якщо атака спрямована на цифровий сервіс, наслідком може бути витік даних або тимчасова зупинка роботи. У випадку Physical AI під загрозою опиняються виробничі лінії, транспортні мережі, енергетичні об’єкти та медичні системи. Тому кібербезпека стає невід’ємною частиною розробки автономних рішень, а не додатковою функцією після завершення проєкту.
ШІ-агенти можуть автоматизувати не лише захист, а й атаки: проводити розвідку, аналізувати вразливості, створювати інструменти для проникнення та координувати дії одночасно проти кількох цілей. У відповідь бізнесу потрібні системи постійного тестування, контроль доступів, ізоляція критичних компонентів, аудит моделей і чіткі механізми аварійного вимкнення.
Усе це змінює вимоги до інженерів. Від спеціаліста очікують не тільки знання мови програмування. Важливо розуміти архітектуру систем, бізнес-логіку, принципи роботи моделей, ризики автоматизації та особливості фізичного середовища. У Physical AI додаються вбудовані системи, сенсори, локальні обчислення, робототехніка й правила функціональної безпеки.
Роль junior-фахівця також трансформується. Раніше початківці могли тривалий час виконувати прості повторювані завдання, поступово накопичуючи досвід. Тепер значну частину такої роботи здатні виконувати AI-агенти. Тому від нових інженерів із самого початку очікують системного мислення, розуміння продукту, здатності ставити правильні запитання та перевіряти якість автоматично згенерованих результатів.
Головна зміна полягає в тому, що людина поступово переходить від ролі виконавця до ролі архітектора, координатора й відповідального за кінцевий ефект. Інженер має розуміти не лише те, як створити рішення, а й навіщо воно потрібне, які ризики створює та яку цінність приносить бізнесу.
У підсумку Agentic AI і Physical AI не скасовують технологічну професію, а підвищують рівень задач, за які відповідає людина. Ринок потребуватиме менше механічної роботи, але більше експертизи, критичного мислення та здатності поєднувати програмне забезпечення з реальними процесами. Саме на цьому перетині формуватиметься нова економіка IT-послуг і майбутнє глобальної інженерії.